ST-GAT: A Spatio-Temporal Graph Attention Network for Accurate Traffic Speed Prediction

已于 2024-04-12 15:26:35 修改
阅读量42 收藏
点赞数
分类专栏： 时空数据预测（基于图神经网络） 文章标签： 机器学习 人工智能
于 2022-10-23 17:11:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zj_18706809267/article/details/127477262
版权

ST-GAT: A Spatio-Temporal Graph Attention Network for Accurate Traffic Speed Prediction

时空模型结合了gnn(图神经网络)和RNNs(循环神经网络)，在交通速度预测中表现出最先进的准确性。然而，它们在两个维度(即空间和时间)上分别考虑速度之间的空间和时间依赖，从而无法利用速度在空间和时间上的联合依赖。在本文中，通过初步的证据分析，指出考虑两个速度之间的个体依赖关系在空间和时间上的所有可能点对准确的交通速度预测的重要性。然后，提出了一种有效表示个体时空依赖关系(IST-dependencies)的个体时空图(IST-graph)和一种基于IST-graph和注意力机制的交通速度预测模型——时空图注意力网络(ST-GAT)。在5个真实的数据集上进行了广泛的评估，结果表明:(1)IST-graph在建模交通速度数据方面的有效性，(2)ST-GAT在预测精度上优于5个最先进的模型(即提高2 - 33%)，以及(3)即使在异常交通情况下，ST-GAT也具有鲁棒性。 

 从过去的每个段𝐴𝑖、𝐵𝑖、𝐶𝑖和𝐷𝑖到当前的目标段𝐷𝑝，都存在单独的时空(IST)依赖关系(红色虚线箭头)。即现有模型的逐步方法(图1a)分别聚合空间和时间依赖，从而平滑单个依赖。

IST-图是一个加权有向图，其中一个节点代表一个st点，一条边代表一对st点之间的IST依赖关系，一条边的权重代表IST依赖关系的强度，而一个属性代表st点的交通速度。两段之间的空间依赖关系，即边

西西弗的小蚂蚁
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
STGAT 源码部分解析 (code analysis)
笔记簿
06-05 3099
STGAT code: https://github.com/huang-xx/STGAT STGAT paper：Huang et al, ICCV 2019
论文笔记《ST-GRAT: A Novel Spatio-temporal Graph Attention Network for Accurately Forecasting》
mintminty的博客
10-28 1778
文章《ST-GRAT: A Novel Spatio-temporal Graph Attention Network for Accurately Forecasting Dynamically Changing Road Speed》 Abstract 预测道路交通速度的难点：（1）路段类型不同；（2）速度的突然变化；（3）路段间的空间依赖性。 本文提出名为 spatio-temporal graph attention (ST-GRAT) 的模型，包含三方面：（1） spatial attent.
【论文笔记】ST-GAT A Spatio-Temporal Graph Attention Network for Accurate Traffic Speed Prediction
lokol.的秘密基地
11-07 1338
当前很多提出的交通速度预测模型都同步考虑时间依赖和空间依赖，如RNN (LSTM, GRU)用于时间依赖，GNN、GCN灯模型被用于空间依赖。DMSTGCN学习潜在空间依赖并将空间和时间依赖独立考虑，STSGCN在本地以及小时间窗口下，部分考虑了时间与空间的联合依赖。但他们都没有考虑所有可能个体的时空依赖。(a)图展示了当前模型预测交通速度的方法，其采用了循序渐进的方法，将时间点iii的Ai,Bi,CiAi​,Bi​,Ci​整合进入DiD_iDi​。
STMetaNet：基于深度元学习的时空数据城市交通预测
myblog
11-29 2460
**标题：**Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning 简介：KDD 2019的论文，考虑了节点和边的元信息来做预测 **解决的问题：**已有的ST模型大体包括特征提取模块、预测模块，对于预测模块关注的少，文章认为，不同的区域，如办公区，住宅区在早晚高峰会有不同的流量模式(居民区在早高峰outflow多，办公区在早高峰inflow较高，而晚高峰则相反)。文章想区对不同功能的区域定制一个预测模型。 其
论文翻译：STGAT: Modeling Spatial-Temporal Interactions for Human Trajectory
Sun_ZD的博客
12-09 5534
STGAT: Modeling Spatial-Temporal Interactions for Human Trajectory摘要1 引言2 相关工作3 Method4 实验5 结论 STGAT:为人类轨迹建模时空交互作用 收录于ICCV 2019 作者：Huang Y, Bi H K, Li Z, et al. 论文地址： 发表时间：ICCV2019 摘要 大多数现有方法都忽略了与场景中其他行人交互的时间相关性。 在这项工作中，我们提出了一种时空图注意力网络（STGAT），该网络基于序列到序列的体系
GCN-LSTM预测道路车辆速度英文 Forecasting using spatio-temporal data with combined Graph Convolution LSTM model
Amzmks的博客
01-06 1593
GCN：又称GNN，图神经网络 LSTM：长短时记忆网络。-LSTM模型预测道路交通车辆速度。
计算机视觉论文-2021-06-01
中科院AI算法工程师的博客
06-01 3279
本专栏是计算机视觉方向论文收集积累，时间：2021年5月1日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） ...
mtad-gat:MTAD-GAT的实施
04-13
mtad-gat MTAD-GAT的实现：通过图形注意网络进行多元时间序列异常检测 其他论文不适用笔记： 这是草稿。 预测和重新构建模式都可以分别训练。 预测只能提供良好的结果，仅重建效果不如我现在看到的好。 合并的培训...
keras-gat:Veličković等人的Keras对图注意力网络（GAT）的实现。 （2017; https
05-12
Keras图注意力网络 已淘汰 GAT的此实现不再得到积极维护，可能无法与Tensorflow和Keras的现代版本一起... title="{Graph Attention Networks}", author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Ca
pytorch-GAT:Pytorch中图形注意力网络的实现技巧
05-13
pytorch-GAT Pytorch中图形注意力网络的实现技巧参考Veličković，Petar等。 “图形注意网络”。 arXiv预印本arXiv：1710.10903（2017）。
Molecular-GAT:分子门
05-16
分子门 图注意力网络在学习分子结构-性质关系中的应用
CogDL-TensorFlow:CogDL-TensorFlow
04-15
GNN基准，例如GCN，GAT，GraphSAGE。入门要求和安装TensorFlow版本> = 2.0.0 Python版本> = 3.6pip install -e .用法您可以使用python scripts/train.py --task example_task --dataset example_dataset --model ...
线性代数|机器学习-P15矩阵A的低秩变换下的逆矩阵
最新发布
scar2016的博客
06-17 482
假设我们有一个单位矩阵I，列向量u,v那么当我们对单位向量I减去秩为1的矩阵后，其逆等于多少？
“探索机器学习的多面世界：从理论到应用与未来展望“
窗外风景随心变幻
06-14 2332
监督学习是机器学习的重要类型。它基于有标记的训练数据进行学习。主要任务包括分类和回归。分类用于预测离散的类别标签，比如判断邮件是否为垃圾邮件。回归则用于预测连续的值，例如房价预测。常见算法有线性回归、逻辑回归、决策树等。以线性回归为例，其目标是找到一条直线来拟合数据。
Python数据分析与机器学习在医疗诊断中的应用
屿小夏.的知识博客
06-14 6511
在现代医疗领域，数据分析与机器学习的应用已经成为提升医疗诊断效率和准确性的关键手段。医疗诊断系统通过对大量患者数据进行分析，帮助医生预测疾病风险、制定个性化治疗方案，并且在疾病早期阶段提供预警。Python作为一种灵活且功能强大的编程语言，结合其丰富的数据分析和机器学习库，成为医疗诊断系统开发的首选工具。本文将探讨Python数据分析与机器学习在医疗诊断中的应用，详细介绍构建医疗诊断系统的步骤和技术。
额定值高于 1 kW 的电机驱动应用使用 GaN 逆变器 IC
Jesse0257的博客
06-13 501
2019 年，ePower Stage IC 系列产品重新定义了功率转换，将所有必需的电源片上系统功能集成到单个 GaN-on-Si IC 中，并以更高的电压和更高的频率水平（超出了硅的范围）。在该板上，三相 GaN 逆变器的每个半桥由两个 EPC23101 IC 组成，其 PWM 信号交叉连接，允许插入源分流器来读取电流，如图 3 和部分原理图所示。当这些参数结合起来时，由于 GaN 晶体的临界场高 10 倍，因此与硅 MOSFET 相比，电端子之间的距离可以近 10 倍。GaN逆变器IC的应用。
Python 深度学习和机器学习的模型评估库之torchmetrics使用详解
Rocky006的博客
06-11 1238
在深度学习和机器学习项目中，模型评估是一个至关重要的环节。为了准确地评估模型的性能，开发者通常需要计算各种指标（metrics），如准确率、精确率、召回率、F1 分数等。torchmetrics是一个用于 PyTorch 的开源库，提供了一组方便且高效的评估指标计算工具。本文将详细介绍torchmetrics库，包括其安装方法、主要特性、基本和高级功能，以及实际应用场景，帮助全面了解并掌握该库的使用。
GPT办公与科研应用、论文撰写、数据分析、机器学习、深度学习及AI绘图高级应用
m0_74140652的博客
06-14 1416
GPT办公与科研应用、论文撰写、数据分析、机器学习、深度学习及AI绘图高级应用
graph attention network
03-16
图注意力网络（Graph Attention Network，GAT）是一种用于图神经网络的模型，它使用注意力机制来学习节点之间的关系。GAT可以在节点之间进行信息传递，并且可以对节点进行分类、聚类和预测等任务。它是一种非常有效...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值